Transferência de aprendizado entre modelos orientados por dados para o monitoramento de trocadores de calor

Abstract

A incrustação em trocadores de calor compromete a eficiência térmica e eleva os custos operacionais em sistemas industriais. É proposta uma metodologia orientada por dados para a detecção de incrustação, baseada na construção de representações digitais simplificadas do comportamento térmico dos trocadores de calor e na Transferência de Aprendizado, permitindo a adaptação do modelo a diferentes geometrias de equipamentos. A abordagem utiliza dados de processo em tempo real, como temperatura, vazão e pressão, dispensando simulações numéricas avançadas, que são computacionalmente custosas. Como a coleta e validação de dados reais podem ser desafiadoras, as técnicas foram testadas inicialmente com um modelo de ordem reduzida, que emprega equações diferenciais ordinárias para representar a dinâmica térmica, combinadas a um modelo estocástico do coeficiente global de troca de calor, para considerar incertezas e emular a progressão da incrustação. Por não haver comunicação em tempo real com o sistema físico, não se trata de um Gêmeo Digital, mas sim uma Sombra Digital. Foram analisadas três bases de dados distintas: a primeira simula o envelhecimento térmico de um trocador de calor por meio de um modelo estocástico calibrado com computação bayesiana; a segunda utiliza curvas térmicas sintéticas, isto é, simuladas numericamente a partir de uma distribuição probabilística do coeficiente global de troca de calor, permitindo a identificação de modelos autorregressivos; e a terceira base é composta por dados experimentais de dois trocadores com geometrias diferentes, em que a condição de incrustação foi simulada por variações nos parâmetros de resposta térmica. A partir dos sinais de temperatura, são extraídas métricas como a variância dos erros de predição e a energia do sinal, utilizadas em um processo de classificação automática dos estados operacionais por meio de máquinas de vetores de suporte. A Transferência de Aprendizado, usando o método JDA, generaliza o algoritmo, permitindo o reaproveitamento de conhecimento entre trocadores de calor distintos. A metodologia demonstrou robustez e bom desempenho na detecção do nível de incrustação e na generalização do algoritmo em diferentes cenários, mesmo em contextos com instrumentação simplificada, oferecendo uma ferramenta versátil para aprimorar práticas de manutenção preditiva em ambientes industriais.

Fouling in heat exchangers compromises thermal efficiency and increases operational costs in industrial systems. This dissertation proposes a data-driven methodology for fouling detection, based on the construction of simplified digital representations of the thermal behavior of heat exchangers, combined with Transfer Learning, which enables the model to adapt to different equipment geometries. The approach utilizes real-time process data, including temperature, flow rate, and pressure, thereby eliminating the need for computationally expensive advanced numerical simulations. Since collecting and validating real data can be challenging, the techniques were initially tested with a reduced-order model that employs ordinary differential equations to represent the thermal dynamics, combined with a stochastic model for the overall heat transfer coefficient to account for uncertainties and emulate fouling progression. Since there is no real-time communication with the physical system, it is not a Digital Twin, but rather a Digital Shadow. Three distinct datasets were analyzed: the first simulates the thermal aging of a heat exchanger through a stochastic model calibrated using Bayesian computation; the second uses synthetic thermal curves generated from a probabilistic distribution of the overall heat transfer coefficient, enabling the identification of autoregressive models; and the third dataset consists of experimental data from two heat exchangers with different geometries, where fouling conditions were simulated by varying thermal response parameters. From the temperature signals, metrics such as the variance of prediction errors and signal energy are extracted and used in an automatic classification process of the operating states through Support Vector Machines. Transfer Learning, using the JDA method, generalizes the detection algorithm, enabling the reuse of knowledge across different heat exchangers. The proposed methodology demonstrated robustness and satisfactory performance in detecting fouling levels and generalizing the algorithm across different scenarios, even in contexts with simplified instrumentation, providing a versatile tool to enhance predictive maintenance practices in industrial environments.